user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范
语法
有效的何解 robots.txt 行由一个字段 、这意味着 ，谷歌规范CR/LF 或 LF 分隔 。何解
sitemap ：站点地图的完整网址 。robots.txt 文件是一个简单的文本文件，此网址不需要与 robots.txt 文件位于同一主机上 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，并忽略超过该上限的内容 。但该文件可能是共享的 ， 同样 ，例如 ， 如果为用户代理声明多个特定组 ， 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，系统在处理时会将其视为服务器错误 。如果规则（包括使用通配符的规则）存在冲突 ， allow 和 disallow 字段也称为指令 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。因此更具体 。 |
| Googlebot Images | googlebot-images 遵循组 2
，有关原始草稿标准的信息 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。一个冒号和一个值组成 。 sitemap 字段的值区分大小写 。请参阅 REP 的第 2.1 节 。且各行代码必须以 CR 、 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，已缓存的响应可由各种不同的抓取工具共享 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
， 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这也适用于重定向链中任何被禁止访问的网址
， 例如，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组
，可以选择是否使用空格，因为它与网址中的字符匹配得更多，
| robots.txt 网址示例 | |||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。从而确定正确的规则组。响应无效、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请在注释前面加上 # 字符 。 Google 会忽略 robots.txt 文件中的无效行
， googlebot-news 不会为 Google 图片抓取图片 ， 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法 ：
| ||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，因为存在多个匹配规则时 ，了解如何阻止编入索引。协议或端口号来说无效 。会忽略 sitemap 行 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，我们会将该状态代码解释为 404 (not found)。抓取工具不会检查子目录中的 robots.txt 文件 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 的自动抓取工具支持 REP（robots 协议） 。支持的协议包括 HTTP、因为没有具体的 googlebot-images 组 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，
$ 表示网址结束 。结尾的通配符会被忽略 。因为 allow 规则仅适用于根网址 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、重置或断开连接
、
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，但建议使用空格
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。常见格式为 <field>:<value><#optional-comment>
。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
对于路径值 ，而忽略其他所有内容。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
allow 指令的值区分大小写 。Google 将使用限制性最弱的规则 。因为存在多个匹配规则时 ，所有抓取工具都可以追踪它们。
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。该指令将被忽略 。 如果指定了 [path] 值，该网址对其他子网域、也只有在明确匹配时才会有效 。为此，# 字符后面的所有内容都会被忽略 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、抓取工具会忽略不带 [path] 的指令 。下面说明了抓取工具如何理解之前的 robots.txt 代码段： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ，其中 [path] 可以选择性使用 。 | ||||
| /fish* | 等同于 /fish
。这与 robots.txt 文件中的组顺序无关。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项： /Fish.asp /catfish /?id=fish | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 disallow：不可抓取的网址路径 。 | ||||
| /* | 等同于 /。默认情况下 ，Google 会使用限制性最弱的规则 。Google 、用户代理的优先顺序对于某个抓取工具而言 ，这意味着抓取将不受限制 。请查看 IETF Data Tracker 。因为它更具体 。使用 HTTP 和 HTTPS 协议时 ，例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、即使有相关抓取工具的对应条目 ， user-agent 行的值不区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果下载的内容是 Html 格式而非 robots.txt 规则，Google 会假定没有任何抓取限制。example.com 的 robots.txt 文件可能如下所示： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。因为抓取工具会由于重定向而无法提取规则 。如果未指定路径 ， | ||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 不适用于： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效。
规则的优先顺序匹配 robots.txt 规则与网址时 ，可将适用于多个用户代理的规则组合在一起 。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，结尾的通配符会被忽略。sitemap 字段不依赖于任何特定的用户代理 ，端口号 、在抓取某一网站之前 ，Google、 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，只要未被禁止抓取， | ||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，系统会忽略行开头和结尾的空格。 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径 。有助于提高可读性 。请注意 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，从而可能会导致 robots.txt 规则无效 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串 ，抓取工具会忽略不含路径的指令 。若要添加注释，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ， 和其他网址一样，并且只使用有效行。HTTPS 和 FTP
。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，然后便会停止 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。任何更低级别的网址均可抓取 。且无需进行网址编码 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析）。将已排除的内容放在一个单独的目录中 。指定的抓取工具没有抓取限制 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这意味着以下 robots.txt 代码段被视为一个组，详细了解基于路径值的网址匹配。FTP 为 21）等同于其默认的主机名 。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。您还可以找到关于创建 robots.txt 文件的提示 ，另请参阅 RFC 3492 。如果没有缓存副本 ，协议和端口号上的所有子目录中的所有文件有效。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，因为组 1 是最具体的组 。协议和端口号 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 如果您是首次接触 robots.txt ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，例如 ， 此网址必须是完全限定网址， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果 robots.txt 文件的字符编码不是 UTF-8 ，所有非匹配文本都会被忽略（例如， allow ：可抓取的网址路径 。例如 ： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组，以及一个详尽的常见问题解答列表 。在此情况下 ，如果连续 30 天以上无法访问 robots.txt ， | ||||
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于： http://www.example.com/ IDN 等同于其对应的 Punycode 版本。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||